Дакладнасць жывога перакладу вызначаецца яшчэ да таго, як запускаецца мадэль, — тым, дзе стаіць мікрафон. Бярыце гук з мікшарнага пульта, а не з месца ў дванаццатым радзе: транскрыбуеце адзін раз, і памылка становіцца адным радком, які хтосьці можа выправіць для ўсіх.
Перакладчыкі, убудаваныя ў тэлефоны, — сапраўднае дасягненне. Яны часта выкарыстоўваюць мадэль распазнавання маўлення, дастаткова маленькую, каб змясціцца на прыладзе і не разрадзіць батарэю (некаторыя адпраўляюць гук на сервер, калі ёсць сувязь), і з кароткімі, выразнымі, паўсядзённымі фразамі яны справяцца: спытаць дарогу, прачытаць меню, размова праз прылаўак.
Зала, поўная людзей, якія слухаюць аднаго спікера, — гэта іншая задача. Тое, што ідзе не так у жывым маўленні, — менавіта тое, з чым маленькая мадэль спраўляецца горш за ўсё: рэдкія словы і імёны, словы, якія гучаць аднолькава («their» і «there», «sail» і «sale»), тэрміны, акцэнты, людзі, якія гавораць адначасова, і фонавы шум. На яхт-клубе мадэль, якая пачуе «sale», зробіць разумнае здагадка і ўпэўненую памылку.
Дзве рэчы прымушаюць маленькую мадэль здагадвацца больш, чым вялікую. Яе сціснулі, каб змясціць у тэлефоне, таму яна ведае менш слоў і менш спосабаў іх вымавіць; прозвішча, якога яна не сустракала, яна можа толькі набліжана адгадаць па гуках. А жывое распазнаванне павінна зафіксаваць слова раней, чым прыйдзе астатні сказ, таму мадэль не можа скарыстаць тое, што вырашыла б паміж «sail» і «sale»: наступныя словы або сцэнарый, які кажа, пра што выступ. У распазнаванні маўлення кантэкст — гэта якраз дзве рэчы: навакольныя словы і тое, што вядома загадзя.
Калі мадэль не ўпэўнена, яна здагадваецца. Пераклад тады будуецца на здагадцы, і той, хто яго чытае, не можа гэтага ведаць. Ніхто ў зале не бачыць, што радок быў няправільны, не кажучы ўжо пра тое, каб выправіць яго. А зала — гэта не адзін слухач, а пяцьдзесят.
Тэлефон чуе залу, а не спікера. Прычына — адлегласць: петлічны або настольны мікрафон знаходзіцца за некалькі сантыметраў ад рота, а тэлефон у дванаццатым радзе — за дзесяць метраў і больш, і большая частка гуку, які да яго даходзіць, спачатку адбілася ад сцен, столі і спінак крэслаў. Адбіты гук прыходзіць з спазненнем і размазаны. Да таго ж тэлефон улаўлівае чалавека, які кашляе на два рады далей, шэпт суседа і тое, што гучнамоўцы робяць з голасам па дарозе праз зал. Кожнае месца атрымлівае трохі іншы запіс, таму і транскрыпт у кожнага трохі іншы.
Тэлефон таксама перакладае для аднаго чалавека. Пяцьдзесят удзельнікаў, якія трымаюць пяцьдзесят тэлефонаў, даюць пяцьдзесят незалежных транскрыптаў таго ж выступу, з пяцьюдзесяццю рознымі наборамі памылак. Два чалавекі, якія пасля параўноўваюць заметкі, не пагодзяцца аб тым, што было сказана. Тым часам спікер звяртаецца да сцяны ўзнятых тэлефонаў, а чытаць такую публіку цяжка.
Для некаторых людзей у зале гэта больш чым нязручнасць: гэта вырашае, ці могуць яны ўвогуле сачыць за выступам. Удзельніку з парушэннем слыху або таму, хто сочыць на трэцяй мове, патрэбны адзін правільны агульны тэкст, а не пяцьдзесят розных спроб. Гэта значыць — транскрыбаваць спікера адзін раз і даваць усім адзін і той жа вынік. Транскрыбаваць адзін раз вартае толькі тады, калі зрабіць гэта добра, а пачынаецца гэта з таго, адкуль бярэцца гук.
Транскрыпт не лепшы за гук, з якога ён зроблены. Таму першае рашэнне — не тое, які мадэль выкарыстоўваць, а які сігнал падаць на ўваход. Другое — што сказаць мадэлі, перш чым яна пачне.
Жывое транскрыбаванне бярэ гук там, дзе ўжо ёсць чысты сігнал:
VocalStack сам забірае паток па URL, таму на вашым боку нічога не запускаецца. RTMP-паток працуе наадварот: кадавальнік сам яго адпраўляе. Мова спікера вызначаецца аўтаматычна, і спікер можа ў любы момант змяніць мову. Калі вы ведаеце мову, а запіс шумны або з моцным акцэнтам, яе называнне павышае дакладнасць.
Чысты гук прыбірае памылкі, што ўзнікаюць праз памяшканне. Для памылак, звязаных са слоўнікам, ён нічога не робіць, і патрэбна іншая дапамога.
Тэлефон не ведае, хто гаворыць і пра што выступ, таму назва прадукту або прозвішча — проста яшчэ адзін гук, які трэба набліжана адгадаць. Трансляцыі можна загадзя сказаць, чаго чакаць.
Калі дадаць сцэнарый або слайды да пачатку, імёны і тэрміны з іх перамагаюць тое, што рухавік пачуў няправільна. Падчас запісу ўкладка Script ідзе за спікерам, як тэлепрампцер. Гэта самае вялікае павышэнне дакладнасці для такога маўлення, якое запаўняе канферэнцыі і лекцыі: шмат уласных назваў і слоў, якіх ніводная агульная мадэль не чула дастаткова часта.
Добры гук і глосарый прыбіраюць большасць памылак. Пытанне ў тым, што адбываецца з тымі, што застаюцца.
Нават пры добрым гуку і сцэнарыі некаторыя радкі будуць няправільнымі. Розніца — у тым, што адбываецца далей.
На тэлефоне — нічога. Няправільны радок праплывае міма, і разам з ім сыходзіць пераклад, пабудаваны на ім.
У трансляцыі радок, які занадта неясны, каб яго паказваць, хаваецца ад слухачоў з надпісам «Audio unclear» і не выдаецца за факт.
Далей ёсць вядучы, у якога ёсць укладка Fix: словы, у якіх рухавік не ўпэўнены, можна падсвятліць колерам і падкрэсліць, клік адкрывае радок для праверкі, а любое слова або радок можна перапісаць, пакуль транскрыпцыя ідзе ў рэальным часе. Кожны слухач бачыць выпраўленне на сваёй мове. Кожнае выпраўленне пазначана і можа быць адменена.
Справа не ў тым, што сервер ніколі не памыляецца. Справа ў тым, што памылка бачная, за яе адказвае нехта ў зале, і яна выпраўляецца адзін раз для ўсіх.
Выпраўленні мяняюць тое, што чытаюць слухачы. Тыя, хто лепш слухае выступ, атрымліваюць той жа выпраўлены тэкст, прачытаны ўголос.
Слухач, які хоча слухаць, а не чытаць, можа атрымліваць кожны перакладзены радок агучаным. Па змаўчанні кожны спікер атрымлівае асобны стандартны голас патрэбнага роду, таму панэль па-ранейшаму гучыць як панэль. Вы можаце прызначыць голас кожнаму спікеру або прыглушыць аднаго з іх.
За згодай спікера можна пайсці далей і кланаваць яго голас па трыццаці секундах яго маўлення: альбо запампаваць як кліп, альбо ўзяць проста са спікера ў запісе; некалькі хвілін даюць лепшы вынік. Тады пераклад чытаецца ўласным голасам спікера на кожнай мове. Спікера з захаваным голасам можна распазнаць і ў наступных запісах, хаця сістэма скарэй пакіне спікера без імя, чым назаве не таго чалавека.
Дзейнічаюць два правілы, і яны наўмысныя. Кланаваны голас — гэта біяметрычныя даныя: яго робяць толькі з відавочнай згоды спікера, і яго можна выдаліць у любы час. А голас ніколі не гаворыць нічога, акрамя транскрыпта або яго перакладу; яго нельга прымусіць сказаць тое, чаго ўладальнік не казаў.
Усё, пра што ішла гаворка, адбываецца, пакуль спікер гаворыць. Апошняя розніца з'яўляецца пасля таго, як ён перастане.
Пяцьдзесят транскрыптаў на тэлефонах знікаюць, калі праграмы закрыюцца. Трансляцыя захоўвае запіс у вашай бібліятэцы: гук і транскрыпт з усімі выпраўленнямі і перакладамі. Там яго можна прайграць радок за радком, шукаць на любой мове і экспартаваць; агляд таго, што робіць бібліятэка, — у «Адна спасылка для ўсіх моў». Слухачы нічога не каштуюць, колькі б іх ні было. Вы плаціце за транскрыбаваны гук: $0.60 за гадзіну для live, з мінімумам 5 хвілін на транскрыбаванне, а тарыфы — на старонцы цэн.
Тэлефон у кожнай руцэ ўсё яшчэ добры запасны варыянт для размовы ў калідоры. Для залы, якая разам павінна зразумець аднаго спікера, спікера трэба транскрыбаваць адзін раз, з крыніцы, і каб было каму выправіць тое, што пайшло не так. Як гэта выглядае, можна ўбачыць у інтэрактыўным дэма на галоўнай старонцы.
